Validation and Assessment of Machine Learning Model for Predicting Total Intracranial Volume from Partial Axial Images of Brain Magnetic Resonance Imaging

Abstract

Introduction: Machine learning is a prevalent topic of interest in the field of neuroimaging and demonstrated the ability to predict tangible attributes of the human brain using neuroimaging data as input features. While previous studies predicted individual disease prognosis using classification algorithms, the prediction of individual brain morphometric data using a regression approach is not yet well established. The development of a prediction model for brain volume from two-dimensional structural magnetic resonance imaging (MRI) data may provide important physiological information that supports the clinical state of an individual, while minimizing errors that are prevalent in three-dimensional MRI preprocessing. The current study assesses and validates the predictive ability of supervised learning in the case of total intracranial volume (TIV) based on partial two-dimensional structural MRI data. The purpose of this study is to measure the accuracy of various machine learning models in predicting TIV, and determine an optimal model for predicting TIV. Methods: T1-weighted structural brain MRI data of 1,200 healthy individuals were collected from two large open-access neuroimaging repositories. Images first underwent automated segmentation to yield images of gray matter, white matter, cerebrospinal fluid, and the sum of all three tissues. From each segmented image, two-dimensional partial tissue volumes from 21 selected axial slices were obtained, resulting in a total of 84 input features. Four machine learning algorithms and techniques were applied which are ordinary least squares (OLS) regression, ridge regression, support vector regression (SVR), and deep learning. The prediction accuracy of each model was measured by the root mean square error (RMSE). Results: All four machine learning techniques predicted TIV with high accuracy (RMSE of 0.0474, 0.0460, 0.0498, and 0.0544 for OLS regression, ridge regression, SVR, and deep learning, respectively). Among these, ridge regression predicted TIV with the highest accuracy. The model fitness for the ridge regression was statistically similar between having 84 input features and having the number of input features reduced to 44. Conclusion: The current findings validate the predictive ability of machine learning for TIV in the case of healthy individuals under normal developmental and neurodegenerative trajectories. TIV was predicted with high accuracy using partial two-dimensional tissue volumes of structural brain MRI data as input features, and remained to be highly accurate even when input features are limited. The results indicate ridge regression to be the most optimal algorithm for predicting TIV, which may reflect the importance of regularization in predicting brain morphometric data. The current study may provide an efficient approach to predicting TIV that minimizes errors often found in three-dimensional neuroimaging, while allowing greater computational efficiency. This study may contribute to the future development of specialized algorithms for predicting various brain morphometric data beyond TIV, which may then provide important clinical implications at an individual level. Findings from this study may provide novel ways of using two-dimensional neuroimaging data as features of machine learning, and contribute to expand and diversify neuroimaging data repositories.;서론: 기계학습(machine learning)은 최근 뇌과학을 포함한 다양한 연구 분야에서 적용되는 인공지능(artificial intelligence) 기법 중 하나이다. 뇌과학 연구 중 기계학습을 활용한 선행연구에서는 뇌 자기공명영상(magnetic resonance imaging, MRI) 데이터를 입력 특성(input feature)으로 사용함으로써 뇌 형태학적 예측을 할 수 있음이 밝혀졌다. 특히 뇌 자기공명영상을 사용한 기계학습은 분류의 목적으로 인용함으로써, 질병의 예후와 같은 임상적 정보를 예측하는 데에 활용된 바 있다. 그러나 이러한 기계학습 모델을 분류가 아닌 회귀적 접근으로 총 두개내 용적(total intracranial volume)과 같은 뇌 형태를 예측하는 연구는 아직 확립되어 있지 않다. 뇌 용적은 정상군에서는 물론 질병군에서도 여러 임상적 정보와 연관되어 있음이 보고되었고, 이로 인해 병태생리학적 지표로도 사용될 수 있음이 제시되었다. 이에 본 연구는 2차원적 뇌 자기공명영상 데이터에서 회귀적 접근으로 총 두개내 용적을 예측하는 기계학습 모델을 생성함으로써 기계학습 기법의 예측능력을 검증하고자 하였다. 또한, 다중 기계학습 알고리즘을 비교 및 평가함으로써 총 두개내 용적을 예측하는 데에 가장 적합한 회귀 모델을 규명하고자 하였다. 방법: 본 연구는 1200 명의 건강한 대상자의 뇌 T1 강조 영상 데이터를 두 개의 대형 뇌 자기공명영상 저장소에서 수집하였다. 각 뇌 T1 강조 영상에서는 전처리 과정을 통하여 자동화된 분할(automated segmentation)을 수행하여 회백질, 백질, 뇌척수액, 그리고 전체 조직 용적으로 분류하였다. 분류된 뇌 피질 영상에서는 스물 한 개의 부분적 횡단면을 추출하였으며, 각 횡단면 영상에서의 뇌 피질 면적 값을 구하여 총 84 개의 입력 특성으로 형성하였다. 이어서 출력 특성(output feature)을 얻기 위해 전체 뇌 T1 강조 영상에서 3차원적 총 두개내 용적을 얻었다. 예측 모델은 최소제곱법(ordinary least squares) 회귀, 릿지(ridge) 회귀, 서포트 벡터(support vector) 회귀, 그리고 심층학습(deep learning)을 적용하여 총 네 개의 모델 예측능력을 평가하였다. 각 모델의 예측 능력 및 정확도는 평균 제곱근 오차(root mean square error)로 비교하였다. 결과: 각 모델의 평균 제곱근 오차는 0.0474, 0.0460, 0.0498, 0.0544(최소제곱법 회귀, 릿지 회귀, 서포트 벡터 회귀, 심층 학습 순)으로 높은 정확도를 보였으며, 이 중 릿지 회귀 모델이 가장 정확도가 높은 것으로 확인되었다. 가장 정확도가 높았던 릿지 회귀 모델은 입력 특성을 열한 장의 횡단면 영상으로 축소하여 이루어진 44 개의 입력 특성만으로도 유사한 정확도를 보여 유효성을 입증하였으며. 두 릿지 회귀 모델 결과는 우도비 검정(likelihood ratio test)을 통해 모델의 적합함(model fitness)을 보았을 시에도 통계적으로 유의미한 차이가 없음이 확인되었다. 결론: 본 연구 결과는 정상적인 신경발생과 신경퇴행 경향을 따른 건강한 사람들을 대상으로 총 두개내 용적을 예측하는 기계학습 기법의 능력을 검증한다. 본 연구는 횡단면 뇌 T1 강조 영상 데이터를 입력 특성으로 사용함으로써 총 두개내 용적을 높은 정확도로 예측할 수 있었으며, 이는 입력 특성 개수가 제한되더라도 예측의 정확성이 유지됨을 발견하였다. 릿지 회귀 모델은 총 두개내 용적 예측을 위한 최적의 알고리즘인 것으로 나타났으며, 이로 인해 뇌 형태학적 데이터를 예측하는 모델 생성 과정에서 정규화의 중요성을 시사한다. 본 연구 결과는 총 두개내 용적 예측능력을 검증함으로써 3차원적 뇌영상 전처리 과정에서 발생하는 문제점에 대한 해결책을 시사하며, 향후 용적 외에 다른 뇌 형태학적 예측을 위한 특수 알고리즘 개발에 기여할 수 있다. 본 연구 결과는 의학영상으로 제한적으로 활용되고 있는 횡단면 뇌 T1 강조 영상의 사용범위를 확대시켜 향후 뇌 자기공명영상 저장소의 발전에 기여 할 수 있으며, 뇌영상 전처리 과정 측면에서 효율성을 높여줄 수 있는 방법일 것으로 판단된다.